基于小波包和SGD-XGBoost的模拟电路故障诊断方法

为了提高模拟电路故障诊断中预测模型的诊断精度,提出一种基于小波包和SGD-XGBoost的模拟故障诊断新方法.该方法用具有深度分解能力的小波包变换获取故障特征,并利用比渐进梯度决策树(Gradient Boost Decision Tree,GBDT)更具明显优势的XGBoost(eXtreme Gradient Boosting)算法进行故障诊断.在此基础上,选用简单且寻优能力强的随机梯度下降(Stochastic Gradient Descent algorithm,SGD)算法对XGBoost的学习率进行寻优,并构建出SGD-XGBoost模型.最后利用优化后的SGD-XGBoost模型进行电路故障识别分类.结果表明,XGBoost算法优于在该领域应用较广泛的支持向量机和BP神经网络,且优化后的SGD-XGBoost诊断方法有效的提高了XGBoost算法的诊断精度,在故障占比为10%时,诊断正确率为93.75%.